AI-инженер по LLM-системам и агентным пайплайнам

О компании

Haven Safety AI создаёт корпоративный слой интеллектуального обучения для безопасности. Компания основана совместно с The AES Corporation и AI Fund — венчурной студией, основанной Эндрю Нг. Haven помогает организациям с высоким риском быстрее учиться на инцидентах, чтобы предотвращать следующие. Платформа работает вместе с существующими корпоративными EHS-системами. Модуль INVESTIGATE помогает синтезировать доказательства, строить таймлайны, проводить многопоточный причинный анализ и формировать корректирующие действия. ASSURE непрерывно проверяет завершённые расследования на качество доказательств, полноту причин, соответствие методическим указаниям и силу CAPA. LEARN анализирует историю инцидентов, чтобы выявлять повторяющиеся отказы контроля, повторяющиеся паттерны корректирующих действий, долг по CAPA и новые сигналы. Платформа объединяет текущие доказательства инцидентов, знания компании, исторические кейсы и отраслевой граф знаний. Скоординированная команда специализированных AI-агентов исследует доказательства, средства контроля, инженерные факторы, процедуры, регламенты, обучение и организационную историю, после чего формирует одну прослеживаемую оценку для проверки человеком. Клиенты сообщали о сокращении трудозатрат на анализ первопричин на 80% при использовании Haven.

О роли

Вы будете работать над слоем AI и LLM-инженерии, который связывает базу доказательств и граф знаний Haven с продуктами, которыми пользуются исследователи инцидентов и руководители по безопасности. Это роль build-and-operate с подчинением CTO. Вы будете проектировать рассуждения, выпускать их, оснащать инструментарием и улучшать на основе продакшен-данных. Работа технически требовательная и операционно значимая. Haven обслуживает корпоративных клиентов в регулируемых отраслях с высокими требованиями к безопасности через мультитенантные и выделенные развёртывания. Правдоподобный и правильный ответ могут выглядеть одинаково, пока кто-то не начнёт действовать на их основе, поэтому точность, прослеживаемость, оценка и человеческий надзор являются ключевыми требованиями продукта. Haven Safety — венчурная компания на стадии pre-seed. Эта роль будет важным участником команды основателей и потребует совмещения нескольких ролей. Роль предполагает работу в США, релокация не рассматривается.

Что вы будете вести

• Продакшен-системы рассуждений: создавать и эксплуатировать многошаговые LLM-пайплайны, которые координируют вызовы моделей, вызовы инструментов, запросы к графу, поиск, контроль качества и передачу задач специализированным агентам.
• Оркестрация агентов: расширять скоординированную команду агентов Haven и слой оркестрации, который проводит инцидент от доказательств через анализ, проверку и корпоративное обучение.
• Контекст и поиск: проектировать контекстный слой на основе обхода графа Neo4j, векторного поиска и гибридного поиска, чтобы каждый вызов модели получал нужные доказательства и знания организации.
• Оценка: создавать датасеты, скоринг, регрессионные наборы, сравнения моделей, циклы с человеческой разметкой и постадийную атрибуцию качества для задач извлечения и рассуждений.
• Эксплуатация AI в продакшене: внедрять трассировку, аудит вызовов инструментов, мониторинг стоимости и задержек, обработку сбоев и дашборды качества; выявлять циклы, галлюцинации и незаметный дрейф раньше клиентов.
• Техническое направление: выбирать модели под задачу среди OpenAI, Anthropic и Google; работать с продуктом и инженерией знаний; помогать формировать AI-роадмап.

Требования

• Продакшен-системы LLM: опыт AI или ML-инженерии, включая запуск LLM-систем, от которых зависят реальные пользователи.
• Агентные рабочие процессы: практический опыт создания и отладки многошаговых рабочих процессов с вызовом инструментов на LangGraph, LangChain или аналогичном фреймворке.
• Дисциплина оценки: повторяемый подход к оценке LLM, включая репрезентативные датасеты, регрессионное тестирование, техники LLM-as-judge или циклы человеческой проверки.
• Подход к поиску контекста: опыт сборки контекста для LLM и чёткая позиция о том, что извлекать, в каком объёме и почему.
• Владение продакшеном: опыт владения системами от развёртывания до мониторинга и реагирования на инциденты, включая сильную историю о диагностике и исправлении сбоя или регрессии.
• Выбор моделей: комфортная работа с разными провайдерами моделей и умение объяснять компромиссы по качеству, задержке, стоимости, контексту и операционному риску.
• Работа с графами: уверенность с Neo4j и Cypher или сопоставимым графовым хранилищем и способность быстро освоить моделирование графовых данных. Сильно предпочтительно.
• Сильный Python: требуются продакшен-навыки работы с FastAPI, асинхронными сервисами, тестированием, наблюдаемостью и поддерживаемыми интерфейсами.

Будет плюсом

• Глубокий опыт с графами: свободное владение Cypher, эволюция схемы, паттерны MERGE, эмбеддинги и эксплуатация живого графа знаний.
• Безопасность корпоративного AI: понимание prompt-injection, предотвращение утечек контекста, изоляция тенантов, ролевой доступ и разделение слоя политик.
• Azure и гибридный поиск: опыт эксплуатации продакшен AI-сервисов в Azure и использования Azure AI Search, Pinecone, MongoDB Atlas, pgvector, Elasticsearch или аналогичной платформы.
• B2B Enterprise SaaS.